Transformers 文档
RT-DETRv2
并获得增强的文档体验
开始使用
RT-DETRv2
概述
RT-DETRv2 模型由 Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang、Yi Liu 在 RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer 中提出。
RT-DETRv2 通过引入选择性多尺度特征提取、用于更广泛部署兼容性的离散采样算子以及改进的训练策略（如动态数据增强和尺度自适应超参数）来改进 RT-DETR。这些更改增强了灵活性和实用性，同时保持了实时性能。
该论文的摘要如下：
在本报告中，我们介绍了 RT-DETRv2，这是一种改进的实时检测 Transformer (RT-DETR)。RT-DETRv2 基于先前的最先进的实时检测器 RT-DETR 构建，并开放了一组免费的技巧，以提高灵活性和实用性，并优化了训练策略以实现增强的性能。为了提高灵活性，我们建议为可变形注意力中不同尺度的特征设置不同数量的采样点，以实现解码器的选择性多尺度特征提取。为了增强实用性，我们提出了一个可选的离散采样算子，以替换特定于 RT-DETR 的 grid_sample 算子（与 YOLOs 相比）。这消除了通常与 DETR 相关的部署约束。对于训练策略，我们提出了动态数据增强和尺度自适应超参数定制，以在不损失速度的情况下提高性能。
此模型由 jadechoghari 贡献。原始代码可以在这里找到。
使用技巧
RT-DETR 的第二个版本改进了解码器在图像中查找对象的方式。
- 更好的采样 – 调整偏移量，使模型查看正确的区域
- 灵活的注意力 – 可以使用平滑（双线性）或固定（离散）采样
- 优化的处理 – 改进注意力权重混合信息的方式
>>> import torch
>>> import requests
>>> from PIL import Image
>>> from transformers import RTDetrV2ForObjectDetection, RTDetrImageProcessor
>>> url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = RTDetrImageProcessor.from_pretrained("PekingU/rtdetr_v2_r18vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/rtdetr_v2_r18vd")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> results = image_processor.post_process_object_detection(outputs, target_sizes=torch.tensor([(image.height, image.width)]), threshold=0.5)
>>> for result in results:
... for score, label_id, box in zip(result["scores"], result["labels"], result["boxes"]):
... score, label = score.item(), label_id.item()
... box = [round(i, 2) for i in box.tolist()]
... print(f"{model.config.id2label[label]}: {score:.2f} {box}")
cat: 0.97 [341.14, 25.11, 639.98, 372.89]
cat: 0.96 [12.78, 56.35, 317.67, 471.34]
remote: 0.95 [39.96, 73.12, 175.65, 117.44]
sofa: 0.86 [-0.11, 2.97, 639.89, 473.62]
sofa: 0.82 [-0.12, 1.78, 639.87, 473.52]
remote: 0.79 [333.65, 76.38, 370.69, 187.48]资源
官方 Hugging Face 和社区 (🌎 表示) 资源列表，可帮助您开始使用 RT-DETRv2。
- 使用 RTDetrV2ForObjectDetection 和 Trainer 或 Accelerate 微调的脚本可以在这里找到。
- 另请参阅：对象检测任务指南。
- 关于在自定义数据集上进行 RT-DETRv2 推理 和 微调 的 Notebook (🌎)。
RTDetrV2Config
class transformers.RTDetrV2Config
< source >( initializer_range = 0.01 initializer_bias_prior_prob = None layer_norm_eps = 1e-05 batch_norm_eps = 1e-05 backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False freeze_backbone_batch_norms = True backbone_kwargs = None encoder_hidden_dim = 256 encoder_in_channels = [512, 1024, 2048] feat_strides = [8, 16, 32] encoder_layers = 1 encoder_ffn_dim = 1024 encoder_attention_heads = 8 dropout = 0.0 activation_dropout = 0.0 encode_proj_layers = [2] positional_encoding_temperature = 10000 encoder_activation_function = 'gelu' activation_function = 'silu' eval_size = None normalize_before = False hidden_expansion = 1.0 d_model = 256 num_queries = 300 decoder_in_channels = [256, 256, 256] decoder_ffn_dim = 1024 num_feature_levels = 3 decoder_n_points = 4 decoder_layers = 6 decoder_attention_heads = 8 decoder_activation_function = 'relu' attention_dropout = 0.0 num_denoising = 100 label_noise_ratio = 0.5 box_noise_scale = 1.0 learn_initial_query = False anchor_image_size = None with_box_refine = True is_encoder_decoder = True matcher_alpha = 0.25 matcher_gamma = 2.0 matcher_class_cost = 2.0 matcher_bbox_cost = 5.0 matcher_giou_cost = 2.0 use_focal_loss = True auxiliary_loss = True focal_loss_alpha = 0.75 focal_loss_gamma = 2.0 weight_loss_vfl = 1.0 weight_loss_bbox = 5.0 weight_loss_giou = 2.0 eos_coefficient = 0.0001 decoder_n_levels = 3 decoder_offset_scale = 0.5 decoder_method = 'default' **kwargs )
参数
- initializer_range (
float, 可选, 默认为 0.01) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - initializer_bias_prior_prob (
float, 可选) —enc_score_head和class_embed的偏置初始化器使用的先验概率。如果为None，则在初始化模型权重时，prior_prob计算为prior_prob = 1 / (num_labels + 1)。 - layer_norm_eps (
float, optional, defaults to 1e-05) — 层归一化层使用的 epsilon 值。 - batch_norm_eps (
float, optional, defaults to 1e-05) — 批归一化层使用的 epsilon 值。 - backbone_config (
Dict, optional, defaults toRTDetrV2ResNetConfig()) — 主干模型的配置。 - backbone (
str, optional) — 当backbone_config为None时使用的主干名称。如果use_pretrained_backbone为True，这将从 timm 或 transformers 库加载相应的预训练权重。如果use_pretrained_backbone为False，这将加载主干的配置，并使用它来初始化具有随机权重的主干。 - use_pretrained_backbone (
bool, optional, defaults toFalse) — 是否使用主干的预训练权重。 - use_timm_backbone (
bool, optional, defaults toFalse) — 是否从 timm 库加载backbone。如果为False，则从 transformers 库加载主干。 - freeze_backbone_batch_norms (
bool, optional, defaults toTrue) — 是否冻结主干中的批归一化层。 - backbone_kwargs (
dict, optional) — 从检查点加载时要传递给 AutoBackbone 的关键字参数，例如{'out_indices': (0, 1, 2, 3)}。如果设置了backbone_config，则无法指定。 - encoder_hidden_dim (
int, optional, defaults to 256) — 混合编码器中层的维度。 - encoder_in_channels (
list, optional, defaults to[512, 1024, 2048]) — 编码器的多层级特征输入。 - feat_strides (
List[int], optional, defaults to[8, 16, 32]) — 每个特征图中使用 strides。 - encoder_layers (
int, optional, defaults to 1) — 编码器使用的总层数。 - encoder_ffn_dim (
int, optional, defaults to 1024) — 解码器中“中间”（通常称为前馈）层的维度。 - encoder_attention_heads (
int, optional, defaults to 8) — Transformer 编码器中每个注意力层的注意力头数。 - dropout (
float, optional, defaults to 0.0) — 所有 dropout 层的比率。 - activation_dropout (
float, optional, defaults to 0.0) — 完全连接层内部激活的 dropout 比率。 - encode_proj_layers (
List[int], optional, defaults to[2]) — 编码器中要使用的投影层索引。 - positional_encoding_temperature (
int, optional, defaults to 10000) — 用于创建位置编码的温度参数。 - encoder_activation_function (
str, optional, defaults to"gelu") — 编码器和池化器中的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - activation_function (
str, optional, defaults to"silu") — 通用层中的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - eval_size (
Tuple[int, int], optional) — 用于计算位置嵌入的有效高度和宽度的高度和宽度，计算时考虑了 stride。 - normalize_before (
bool, optional, defaults toFalse) — 确定是否在 Transformer 编码器层中的自注意力和前馈模块之前应用层归一化。 - hidden_expansion (
float, optional, defaults to 1.0) — 用于扩大 RepVGGBlock 和 CSPRepLayer 维度大小的扩展比率。 - d_model (
int, optional, defaults to 256) — 排除混合编码器的层维度。 - num_queries (
int, optional, defaults to 300) — 对象查询的数量。 - decoder_in_channels (
list, optional, defaults to[256, 256, 256]) — 解码器的多层级特征维度 - decoder_ffn_dim (
int, optional, defaults to 1024) — 解码器中“中间”（通常称为前馈）层的维度。 - num_feature_levels (
int, optional, defaults to 3) — 输入特征级别的数量。 - decoder_n_points (
int, optional, defaults to 4) — 解码器中每个注意力头的每个特征级别中采样的键的数量。 - decoder_layers (
int, 可选, 默认为 6) — 解码器层数。 - decoder_attention_heads (
int, 可选, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数。 - decoder_activation_function (
str, 可选, 默认为"relu") — 解码器中的非线性激活函数（函数或字符串）。如果是字符串，则支持"gelu"、"relu"、"silu"和"gelu_new"。 - attention_dropout (
float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - num_denoising (
int, 可选, 默认为 100) — 用于对比去噪的总去噪任务或查询数量。 - label_noise_ratio (
float, 可选, 默认为 0.5) — 应该向其添加随机噪声的去噪标签的比例。 - box_noise_scale (
float, 可选, 默认为 1.0) — 要添加到边界框的噪声的尺度或幅度。 - learn_initial_query (
bool, 可选, 默认为False) — 指示是否应在训练期间学习解码器的初始查询嵌入 - anchor_image_size (
Tuple[int, int], 可选) — 在评估期间用于生成边界框锚点的输入图像的高度和宽度。如果为 None，则应用自动生成锚点。 - with_box_refine (
bool, 可选, 默认为True) — 是否应用迭代边界框细化，其中每个解码器层都根据上一层的预测细化边界框。 - is_encoder_decoder (
bool, 可选, 默认为True) — 架构是否具有编码器-解码器结构。 - matcher_alpha (
float, 可选, 默认为 0.25) — 匈牙利匹配器使用的参数 alpha。 - matcher_gamma (
float, 可选, 默认为 2.0) — 匈牙利匹配器使用的参数 gamma。 - matcher_class_cost (
float, 可选, 默认为 2.0) — 匈牙利匹配器使用的类别损失的相对权重。 - matcher_bbox_cost (
float, 可选, 默认为 5.0) — 匈牙利匹配器使用的边界框损失的相对权重。 - matcher_giou_cost (
float, 可选, 默认为 2.0) — 匈牙利匹配器使用的 giou 损失的相对权重。 - use_focal_loss (
bool, 可选, 默认为True) — 参数，告知是否应使用 focal loss。 - auxiliary_loss (
bool, 可选, 默认为True) — 是否使用辅助解码损失（每个解码器层的损失）。 - focal_loss_alpha (
float, 可选, 默认为 0.75) — 用于计算 focal loss 的参数 alpha。 - focal_loss_gamma (
float, 可选, 默认为 2.0) — 用于计算 focal loss 的参数 gamma。 - weight_loss_vfl (
float, 可选, 默认为 1.0) — 对象检测损失中 Varifocal Loss 的相对权重。 - weight_loss_bbox (
float, 可选, 默认为 5.0) — 对象检测损失中 L1 边界框损失的相对权重。 - weight_loss_giou (
float, 可选, 默认为 2.0) — 对象检测损失中广义 IoU 损失的相对权重。 - eos_coefficient (
float, 可选, 默认为 0.0001) — 对象检测损失中 ‘no-object’ 类的相对分类权重。 - decoder_n_levels (
int, 可选, 默认为 3) — 解码器使用的特征级别数。 - decoder_offset_scale (
float, 可选, 默认为 0.5) — 应用于解码器中注意力偏移的缩放因子。 - decoder_method (
str, 可选, 默认为"default") — 用于解码器的方法："default"或"discrete"。
这是用于存储 RTDetrV2Model 配置的配置类。它用于根据指定的参数实例化 RT-DETR 模型，定义模型架构。使用默认值实例化配置将产生类似于 RT-DETR 架构的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import RTDetrV2Config, RTDetrV2Model
>>> # Initializing a RT-DETR configuration
>>> configuration = RTDetrV2Config()
>>> # Initializing a model (with random weights) from the configuration
>>> model = RTDetrV2Model(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configfrom_backbone_configs
< source >( backbone_config: PretrainedConfig **kwargs ) → RTDetrV2Config
从预训练的骨干模型配置和 DETR 模型配置实例化一个 RTDetrV2Config（或派生类）。
RTDetrV2Model
class transformers.RTDetrV2Model
< source >( config: RTDetrV2Config )
参数
- config (RTDetrV2Config) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
RT-DETR 模型（由骨干网络和编码器-解码器组成）输出原始隐藏状态，顶部没有任何头部。
此模型继承自 PreTrainedModel。查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[typing.List[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (形状为
(batch_size, num_channels, height, width)的torch.FloatTensor) — 像素值。如果您提供填充，默认情况下将忽略填充。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅RTDetrV2ImageProcessor.__call__。 - pixel_mask (形状为
(batch_size, height, width)的torch.LongTensor, 可选) — 用于避免对填充像素值执行注意力的掩码。掩码值在[0, 1]中选择：- 1 表示真实像素（即未被掩码），
- 0 表示填充像素（即被掩码）。
- encoder_outputs (
tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选:hidden_states, 可选:attentions) 组成，last_hidden_state的形状为(batch_size, sequence_length, hidden_size), 可选) 是编码器最后一层的输出隐藏状态序列。在解码器的交叉注意力中使用。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor, 可选) — 可选地，您可以选择直接传递图像的扁平化表示，而不是传递扁平化的特征图（骨干网络 + 投影层的输出）。 - decoder_inputs_embeds (形状为
(batch_size, num_queries, hidden_size)的torch.FloatTensor, 可选) — 可选地，您可以选择直接传递嵌入表示，而不是使用零张量初始化 queries。 - labels (长度为
(batch_size,)的List[Dict], 可选) — 用于计算二分匹配损失的标签。字典列表，每个字典至少包含以下 2 个键：“class_labels”和“boxes”（分别为批次中图像的类别标签和边界框）。类别标签本身应为长度为(图像中边界框的数量,)的torch.LongTensor，框应为形状为(图像中边界框的数量, 4)的torch.FloatTensor。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息，请参见返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息，请参见返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ModelOutput 或 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (RTDetrV2Config) 和输入。
- last_hidden_state (形状为
(batch_size, num_queries, hidden_size)的torch.FloatTensor) — 模型解码器最后一层输出的隐藏状态序列。 - intermediate_hidden_states (形状为
(batch_size, config.decoder_layers, num_queries, hidden_size)的torch.FloatTensor) — 堆叠的中间隐藏状态（解码器每一层的输出）。 - intermediate_logits (形状为
(batch_size, config.decoder_layers, sequence_length, config.num_labels)的torch.FloatTensor) — 堆叠的中间 logits（解码器每一层的 logits）。 - intermediate_reference_points (形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.FloatTensor) — 堆叠的中间参考点（解码器每一层的参考点）。 - decoder_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（每个层的输出一个，加上初始嵌入输出一个），形状为(batch_size, num_queries, hidden_size)。解码器在每一层输出的隐藏状态加上初始嵌入输出。 - decoder_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_heads, num_queries, num_queries)。解码器的注意力权重，在注意力 softmax 之后，用于计算自注意力头中的加权平均值。 - cross_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_queries, num_heads, 4, 4)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。 - encoder_last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor, 可选) — 模型编码器最后一层输出的隐藏状态序列。 - encoder_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（每个层的输出一个，加上初始嵌入输出一个），形状为(batch_size, sequence_length, hidden_size)。编码器在每一层输出的隐藏状态加上初始嵌入输出。 - encoder_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_queries, num_heads, 4, 4)。编码器的注意力权重，在注意力 softmax 之后，用于计算自注意力头中的加权平均值。 - init_reference_points (形状为
(batch_size, num_queries, 4)的torch.FloatTensor) — 通过 Transformer 解码器发送的初始参考点。 - enc_topk_logits (形状为
(batch_size, sequence_length, config.num_labels)的torch.FloatTensor) — 预测的边界框分数，其中在编码器阶段选择前config.two_stage_num_proposals个评分边界框作为区域提议。边界框二元分类（即前景和背景）的输出。 - enc_topk_bboxes (形状为
(batch_size, sequence_length, 4)的torch.FloatTensor) — 编码器阶段预测的边界框坐标的 Logits。 - enc_outputs_class (形状为
(batch_size, sequence_length, config.num_labels)的torch.FloatTensor, 可选, 当config.with_box_refine=True且config.two_stage=True时返回) — 预测的边界框分数，其中在第一阶段选择前config.two_stage_num_proposals个评分边界框作为区域提议。边界框二元分类（即前景和背景）的输出。 - enc_outputs_coord_logits (形状为
(batch_size, sequence_length, 4)的torch.FloatTensor, 可选, 当config.with_box_refine=True且config.two_stage=True时返回) — 第一阶段预测的边界框坐标的 Logits。 - denoising_meta_values (
dict) — 用于去噪相关值的额外字典
RTDetrV2Model forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应在此之后调用 Module 实例，而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, RTDetrV2Model
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2Model.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 300, 256]RTDetrV2ForObjectDetection
class transformers.RTDetrV2ForObjectDetection
< source >( config: RTDetrV2Config )
参数
- config (RTDetrV2Config) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
RT-DETR 模型（由骨干网络和编码器-解码器组成）输出边界框和 logits，以进一步解码为分数和类别。
此模型继承自 PreTrainedModel。查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。
forward
< source >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[typing.List[dict]] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **loss_kwargs ) → transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。默认情况下，如果您提供填充，则填充将被忽略。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅RTDetrV2ImageProcessor.__call__。 - pixel_mask (
torch.LongTensor，形状为(batch_size, height, width)，可选) — 用于避免对填充像素值执行注意力机制的掩码。 掩码值在[0, 1]中选择:- 1 代表真实像素（即，未被掩码），
- 0 代表填充像素（即，被掩码）。
- encoder_outputs (
tuple(tuple(torch.FloatTensor), 可选) — 元组由 (last_hidden_state, 可选:hidden_states, 可选:attentions) 组成。last_hidden_state的形状为(batch_size, sequence_length, hidden_size), 可选) 是编码器最后一层输出的隐藏状态序列。 用于解码器的交叉注意力机制。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递图像的扁平化表示，而不是传递扁平化的特征图（backbone + projection layer 的输出）。 - decoder_inputs_embeds (
torch.FloatTensor，形状为(batch_size, num_queries, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是使用零张量初始化 queries。 - labels (
List[Dict]，长度为(batch_size,)，可选) — 用于计算二分图匹配损失的标签。 字典列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别是批次中图像的类别标签和边界框）。 类别标签本身应该是长度为(图像中边界框的数量,)的torch.LongTensor，而 boxes 应该是形状为(图像中边界框的数量, 4)的torch.FloatTensor。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息，请参阅返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
List[Dict]，长度为(batch_size,)，可选) — 用于计算二分图匹配损失的标签。 字典列表，每个字典至少包含以下 2 个键：‘class_labels’ 和 ‘boxes’（分别是批次中图像的类别标签和边界框）。 类别标签本身应该是长度为(图像中边界框的数量,)的torch.LongTensor，而 boxes 应该是形状为(图像中边界框的数量, 4)的torch.FloatTensor。
返回
transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutput or tuple(torch.FloatTensor)
A transformers.models.rt_detr_v2.modeling_rt_detr_v2.RTDetrV2ObjectDetectionOutput or a tuple of torch.FloatTensor (if return_dict=False is passed or when config.return_dict=False) comprising various elements depending on the configuration (RTDetrV2Config) and inputs.
- loss (
torch.FloatTensor，形状为(1,)，可选，当提供labels时返回) — 总损失，是类别预测的负对数似然（交叉熵）损失和边界框损失的线性组合。 后者定义为 L1 损失和广义尺度不变 IoU 损失的线性组合。 - loss_dict (
Dict, 可选) — 包含各个损失的字典。 用于日志记录。 - logits (
torch.FloatTensor，形状为(batch_size, num_queries, num_classes + 1)) — 所有 queries 的分类 logits（包括无对象）。 - pred_boxes (
torch.FloatTensor，形状为(batch_size, num_queries, 4)) — 所有 queries 的归一化框坐标，表示为（center_x，center_y，width，height）。 这些值在 [0, 1] 范围内归一化，相对于批次中每个单独图像的大小（忽略可能的填充）。 您可以使用~RTDetrV2ImageProcessor.post_process_object_detection来检索未归一化（绝对）的边界框。 - auxiliary_outputs (
list[Dict], 可选) — 可选，仅当辅助损失激活时（即config.auxiliary_loss设置为True）且提供了 labels 时返回。 它是字典列表，其中包含每个解码器层的上述两个键（logits和pred_boxes）。 - last_hidden_state (形状为
(batch_size, num_queries, hidden_size)的torch.FloatTensor) — 模型解码器最后一层输出的隐藏状态序列。 - intermediate_hidden_states (形状为
(batch_size, config.decoder_layers, num_queries, hidden_size)的torch.FloatTensor) — 堆叠的中间隐藏状态（解码器每一层的输出）。 - intermediate_logits (
torch.FloatTensor，形状为(batch_size, config.decoder_layers, num_queries, config.num_labels)) — 堆叠的中间 logits（解码器每一层的 logits）。 - intermediate_reference_points (形状为
(batch_size, config.decoder_layers, num_queries, 4)的torch.FloatTensor) — 堆叠的中间参考点（解码器每一层的参考点）。 - decoder_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（每个层的输出一个，加上初始嵌入输出一个），形状为(batch_size, num_queries, hidden_size)。解码器在每一层输出的隐藏状态加上初始嵌入输出。 - decoder_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_heads, num_queries, num_queries)。解码器的注意力权重，在注意力 softmax 之后，用于计算自注意力头中的加权平均值。 - cross_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_queries, num_heads, 4, 4)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。 - encoder_last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor, 可选) — 模型编码器最后一层输出的隐藏状态序列。 - encoder_hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（每个层的输出一个，加上初始嵌入输出一个），形状为(batch_size, sequence_length, hidden_size)。编码器在每一层输出的隐藏状态加上初始嵌入输出。 - encoder_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_queries, num_heads, 4, 4)。编码器的注意力权重，在注意力 softmax 之后，用于计算自注意力头中的加权平均值。 - init_reference_points (形状为
(batch_size, num_queries, 4)的torch.FloatTensor) — 通过 Transformer 解码器发送的初始参考点。 - enc_topk_logits (
torch.FloatTensor，形状为(batch_size, sequence_length, config.num_labels), 可选，当config.with_box_refine=True且config.two_stage=True时返回) — 编码器中预测的边界框坐标的 Logits。 - enc_topk_bboxes (
torch.FloatTensor，形状为(batch_size, sequence_length, 4), 可选，当config.with_box_refine=True且config.two_stage=True时返回) — 编码器中预测的边界框坐标的 Logits。 - enc_outputs_class (形状为
(batch_size, sequence_length, config.num_labels)的torch.FloatTensor, 可选, 当config.with_box_refine=True且config.two_stage=True时返回) — 预测的边界框分数，其中在第一阶段选择前config.two_stage_num_proposals个评分边界框作为区域提议。边界框二元分类（即前景和背景）的输出。 - enc_outputs_coord_logits (形状为
(batch_size, sequence_length, 4)的torch.FloatTensor, 可选, 当config.with_box_refine=True且config.two_stage=True时返回) — 第一阶段预测的边界框坐标的 Logits。 - denoising_meta_values (
dict) — 用于去噪相关值的额外字典
RTDetrV2ForObjectDetection 的 forward 方法覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应在此之后调用 Module 实例，而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
示例
>>> from transformers import RTDetrV2ImageProcessor, RTDetrV2ForObjectDetection
>>> from PIL import Image
>>> import requests
>>> import torch
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = RTDetrV2ImageProcessor.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> model = RTDetrV2ForObjectDetection.from_pretrained("PekingU/RTDetrV2_r50vd")
>>> # prepare image for the model
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # forward pass
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 300, 80]
>>> boxes = outputs.pred_boxes
>>> list(boxes.shape)
[1, 300, 4]
>>> # convert outputs (bounding boxes and class logits) to Pascal VOC format (xmin, ymin, xmax, ymax)
>>> target_sizes = torch.tensor([image.size[::-1]])
>>> results = image_processor.post_process_object_detection(outputs, threshold=0.9, target_sizes=target_sizes)[
... 0
... ]
>>> for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
... box = [round(i, 2) for i in box.tolist()]
... print(
... f"Detected {model.config.id2label[label.item()]} with confidence "
... f"{round(score.item(), 3)} at location {box}"
... )
Detected sofa with confidence 0.97 at location [0.14, 0.38, 640.13, 476.21]
Detected cat with confidence 0.96 at location [343.38, 24.28, 640.14, 371.5]
Detected cat with confidence 0.958 at location [13.23, 54.18, 318.98, 472.22]
Detected remote with confidence 0.951 at location [40.11, 73.44, 175.96, 118.48]
Detected remote with confidence 0.924 at location [333.73, 76.58, 369.97, 186.99]